网络规模日益庞大,网络基础设施愈加复杂,一系列网络安全问题随之凸显。不法分子通过安全漏洞侵入网络进行恶意攻击并传播病毒,造成服务器崩溃和网络瘫痪,给企业造成巨大的经济损失。在这种情况下,流量测量变得十分必要。网络流量测量在交换机等网络转发设备上对数据包进行统计和分析,实时收集流量特征既能够检测出潜在的网络安全威胁,维护网络稳定,还可以为网络性能诊断、拥塞控制、负载均衡、网络计费等网络功能提供重要信息。网络流量急剧增长,传统的流量测量方法在内存资源和计算资源两方面受到限制,测量性能严重下降。如何在资源受限的情况下实时准确地进行网络测量成为一个亟待解决的问题。基于sketch的测量方法使用sketch结构将海量的数据压缩到狭小的内存空间中进行统计分析,是应对当前挑战的一个重要突破口。本文以sketch结构为基础提出了两种不同的流量测量方法:1.本文对数据流的分布特性进行了详细分析,数据流呈不均衡分布,大象流的数目远小于老鼠流的数目。在这一基础上提出了基于重尾分布的流量测量算法,构建了一个评分模型表征当前数据流属于大象流的可能性。当处理完所有数据包,得分高的数据流为大象流,得分低的数据流为老鼠流。该算法准确地分隔大象流和老鼠流,减少了两者之间的超级误差。2.除大象流、突变流等特征外,超级传播者和DDoS攻击也是不可缺少的检测任务。对此,本文提出了一种基于cuckoo hashing的流量测量算法来检测网络中的恶意攻击行为,在单个哈希表中设置了两个独立的哈希函数,发生哈希冲突时通过贪婪算法驱逐老鼠流、保留大象流,在有限的内存中保留了更多的重型流信息,避免遗漏重要的数据流。3.本文在CAIDA、MACCDC等多个数据集上进行了探究实验,实验结果表明,与Elastic sketch等算法相比,本文的两个算法执行大象流检测、熵估计和流分布等任务时,在精确度和内存占用方面呈现出良好的测量性能。并使用SIMD指令对处理速度进行了优化,将吞吐量提升到原来的1.2倍。